知识管理论坛 >

2026 , Vol. 11 >Issue 4: 413 - 425

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.034

综述述评

多维邻近性理论研究综述：理论演进、测度方法与情报学应用

  • 万方 1, 2 ,
  • 陈璐 1, 2 ,
  • 陈方 , 1, 2
展开
  • 1. 中国科学院成都文献情报中心 成都 610299
  • 2. 中国科学院大学经济与管理学院信息资源管理系 北京 100190
陈方，研究员，博士，硕士生导师，E-mail: 。

作者贡献声明/Author contributions：

万　方：确定选题与设计研究方案，进行文献调研与收集，撰写与修改论文；

陈　璐：修改研究框架，修改论文；

陈　方：指导研究选题，修改论文并定稿。

万方，硕士研究生；

陈璐，硕士研究生。

收稿日期: 2026-04-13

  网络出版日期: 2026-08-31

收起

A Review of Multidimensional Proximity Theory：Theoretical Evolution，Measurement Methods，and Applications in Information Science

  • Wan Fang 1, 2 ,
  • Chen Lu 1, 2 ,
  • Chen Fang , 1, 2
Expand
  • 1. National Science Library (Chengdu), Chinese Academy of Sciences, Chengdu 610299
  • 2. Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190
Chen Fang, Research Fellow, PhD, Master's Supervisor, E-mail: .

Wan Fang, Master's Candidate;

Chen Lu, Master's Candidate.

Received date: 2026-04-13

  Online published: 2026-08-31

Fold

摘要

［目的/意义］ 针对传统单一地理或属性分析难以解释“地理接近却未合作”等隐性知识关联缺失的困境，系统梳理多维邻近性从单一维度到静态五维框架，并向动态化、情境化演进的逻辑，厘清其现有的测度方法体系。在此基础上，进一步推动该理论从概念阐释工具向融合多源数据与人工智能的智能决策支持系统演进，以期为优化科技创新布局及提升创新体系韧性提供坚实的理论依据与实践路径。［方法/过程］ 基于CNKI与Web of Science数据库相关文献，综合运用文献计量、内容分析法与关键词共现方法，追溯邻近性理论从地理决定论向多维动态框架的演进过程，归纳单一维度测度、多维整合测度与智能化测度方法，并结合VOSviewer图谱结果分析其在情报学中的主要研究热点与应用主题。［结果/结论］ 研究表明，多维邻近性测度已呈现出从静态单维向动态多维体系演进的总体趋势，复杂情境下的交互机制解析成为方法创新的核心。同时，数据驱动与智能技术正深刻重塑该领域的分析路径。尽管现有研究在指标体系的完备性与动态适应性方面仍面临挑战，但构建融合多源信息的智能化分析框架将是突破当前瓶颈、提升创新关系识别与决策支持能力的关键方向。

关键词： 多维邻近性; 动态演化; 测度方法; 创新合作网络; 文献综述

本文引用格式

万方 , 陈璐 , 陈方 . 多维邻近性理论研究综述：理论演进、测度方法与情报学应用[J]. 知识管理论坛, 2026 , 11(4) : 413 -425 . DOI: 10.13266/j.issn.2095-5472.2026.034

Abstract

[Purpose/Significance] Addressing the dilemma where traditional single-dimensional geographic or attribute analyses fail to explain the absence of implicit knowledge connections (e.g., "geographic proximity without collaboration"), this paper aims to systematically review the logical evolution of multidimensional proximity theory—from a single dimension to a static five-dimensional framework, and further towards dynamic and contextualized paradigms. It also clarifies the existing system of measurement methods. Building on this, the study seeks to promote the theory's evolution from a conceptual explanatory tool into an intelligent decision-support system integrating multi-source data and artificial intelligence, thereby providing a solid theoretical basis and practical pathways for optimizing the layout of technological innovation and enhancing the resilience of innovation systems. [Method/Process] Based on relevant literature retrieved from CNKI and Web of Science databases, this study integrated bibliometric analysis, content analysis, and keyword co-occurrence analysis. It traced the evolution of proximity theory from geographical determinism to a multidimensional dynamic framework, summarized measurement approaches including single-dimensional measurement, multidimensional integrated measurement, and intelligent measurement methods, and, in combination with VOSviewer mapping results, analyzed the main research hotspots and application themes of multidimensional proximity theory in the field of information science. [Result/Conclusion] The research indicates that the measurement of multidimensional proximity shows a general trend of evolving from static single-dimensional to dynamic multi-dimensional systems, with the analysis of interaction mechanisms in complex contexts becoming the core of methodological innovation. Meanwhile, data-driven approaches and intelligent technologies are profoundly reshaping analytical pathways in this field. Although current research still faces challenges regarding the completeness of indicator systems and dynamic adaptability, constructing an intelligent analysis framework that integrates multi-source information is the key direction for breaking through current bottlenecks and enhancing capabilities in identifying innovation relationships and supporting decision-making.

Key words： multidimensional proximity; dynamic evolution; measurement methods; innovation collaboration networks; literature review

面对新一轮科技革命和产业变革，我国深入实施创新驱动发展战略，将科技创新置于现代化建设全局的核心地位。在这一过程中，单一主体的知识生产存在较大局限，创新知识生产愈发依赖于多元主体间的深度协同[1]。
传统基于地理距离或单一属性（如技术领域）的关联分析方法，在刻画复杂、动态、多层次的创新互动时逐渐显露出解释力不足的问题。这类方法难以揭示知识流动、合作形成与创新涌现背后的多维度驱动机制，尤其是无法有效解释“地理接近却未合作”或“地理遥远却高效协同”等现实悖论[2-3]。为此，多维邻近性理论因其能够系统解释创新关系形成的多重条件，逐渐成为科学学、经济地理、科技政策与情报分析研究中的重要理论框架。自R. Boschma于2005年系统性提出五维邻近性模型以来，相关研究迅速扩展至科研合作、技术转移、产学研协同等多个领域[4]。在情报学与科学计量学领域，学者广泛利用论文、专利等数据，通过共现分析、引文耦合等社会网络分析与文献计量学方法，对各维度邻近性进行量化，用于揭示学科交叉模式、合作网络的特征与形成机制、合作绩效的影响因素、技术融合等关系型问题[5-7]。然而，现有研究尚未形成面向智能情报分析的系统性方法论框架，尤其是在大数据与人工智能技术快速发展的当下，如何融合多源异构数据，借助机器学习与自然语言处理等技术，实现邻近性测度的智能化、动态化与预测化，仍是亟待探索的前沿方向。
本文基于中国知网（CNKI）与Web of Science（WoS）数据库，以“多维邻近”“多维邻近性”及其英文对应表达为核心检索词，系统性地回顾与整合相关文献，旨在梳理多维邻近性理论的演进脉络，评述主流的测度思路及方法，并探讨其在情报学领域的典型应用与该理论如何与智能技术结合，赋能情报核心任务。通过构建“理论—方法—应用—展望”的整体框架，期望本文可以推动多维邻近性从理论阐释工具向智能决策支持系统演进，为优化科技创新布局、提升创新体系韧性提供情报学视角的参考。

1 研究设计/Research design

1.1 数据来源与检索策略

本文基于中国知网（CNKI）与WoS数据库，以“多维邻近性”（multidimensional proximity）为主题进行检索，文献类型限定为研究论文与综述类文献。中文检索式为“多维邻近+多维邻近性+多维邻近理论+多维邻近性理论+多维邻近性演化”，英文检索式为“TS=(multidimensional proximity) OR TS=(multidimensional closeness)”，检索时间为2026年5月24日。初步检索获得CNKI文献555篇、WoS文献1 388篇。考虑到多维邻近性研究具有明显的跨学科特征，本文在初始检索基础上，结合研究主题、数据来源与方法特征对文献进行领域限定，重点保留涉及知识流动、科研合作、技术创新及创新网络等情报学相关研究，并剔除纯交通地理、医学实验、城市规划等与知识流动、信息组织、创新网络或科技情报分析等关联较弱的文献。
为提高大规模文献筛选效率，本文引入基于语义分析的智能辅助方法，对文献摘要与关键词进行初步主题识别，并结合人工核验完成最终筛选，以增强筛选结果的一致性与可靠性。在后续图谱分析前，本文进一步对最终纳入的文献进行题名和DOI层面的重复核验，并对关键词进行同义词合并与无效词剔除。

1.2 情报学相关文献判定标准

本文所指“情报学相关文献”，并不局限于发表在图书情报类期刊上的研究，而是指在研究对象、数据来源、分析方法或应用目标上与情报学核心问题具有实质关联的文献。具体而言，若文献以论文、专利、引文、合作网络、政策文本、科技项目、人才履历等为数据基础，或采用文献计量、科学计量、知识图谱、社会网络分析、文本挖掘、专利分析等情报学常用方法，或服务于知识流动、科研合作、技术扩散、创新网络、科技政策与战略情报等问题，都纳入本文的情报学相关文献范围。经情报学相关性筛选、题名去重与人工复核后，CNKI文献中排除非情报学相关记录134条、去除重复记录3条，最终纳入418篇；WoS文献中排除非情报学相关记录1 222条、重复记录0条，最终纳入166篇。

1.3 分析方法与技术路线

本文采用定性与定量相结合的研究方法。在定性层面，通过系统梳理核心文献，对多维邻近性理论的演进过程进行归纳与总结；在定量层面，借助VOSviewer软件从知识图谱视角揭示研究热点与结构特征，从而实现对多维邻近性理论及其情报学应用的多维度分析。在图谱分析中，中文文献以作者关键词为分析单元，英文文献以Web of Science关键词为分析单元，采用二值计数法构建关键词共现网络；同时对“多维邻近性”“多维邻近”等检索词及低区分度泛词进行剔除，并对同义或近义关键词进行合并。

2 理论演进：从地理邻近性到多维邻近性/Theoretical evolution: from geographical proximity to multidimensional proximity

2.1 邻近性概念的起源

邻近性作为解释创新关系的核心概念，其思想渊源可追溯至19世纪末的经济地理学革命。德国经济学家A. Weber在1909年出版的《工业区位论》中首次系统论证了运输成本对区位选择的约束[8]。他通过数学模型证明，为最小化原材料运输与产品分销成本，工业企业天然趋向地理集聚。这一观点不仅奠定了区位论的基础，也蕴含了“地理邻近降低互动成本”的基本逻辑，成为后续邻近性研究的重要理论源头之一。
在A. Weber区位论的基础上，对创新活动中主体间关系形成机制的探索，长期受到“空间”视角的主导。早期经济学与区域科学普遍认为，地理邻近性（geographic proximity）是知识溢出与合作发生的关键前提。地理邻近性主要指同一集群内部经济活动主体在空间上的协同定位关系[6]，即地理空间中两个主体（个人、组织、城镇）的实际距离，具有二元性（近/远）和相对性（受交通方式、主观感知影响），是客观物理约束[9]。这一概念的核心理论支撑，最早源于A. Marshall[10]的“集群经济”思想，他提出的“产业区”理论，强调同一区域内企业面对面互动、劳动力池共享与非正式互动对隐性知识高效传递的重要性。
这一阶段以地理邻近性为核心的研究，构建了邻近性与创新关系的基础认知，其核心贡献在于明确了空间维度对知识流动与合作行为的约束作用。A. B. Jaffe[11]、P. Desrochers[12]等的实证与理论研究进一步表明，知识溢出具有明显的空间局部化特征，尤其是隐性知识往往依赖面对面沟通、员工流动和非正式社交等近距离互动场景实现有效传递。

2.2 多维邻近性理论的形成

2.2.1 经典五维度框架

随着全球化与信息技术的发展，单一地理邻近性框架的解释力逐渐显现局限。信息技术的飞速发展使经济的“地点空间”越来越被一种新的、非地方性的“流的空间”所取代，从而对传统区位论提出了挑战[13]。在现实中，地理遥远的跨国企业联盟仍能实现高效知识协同，而部分地理邻近的园区企业却陷入“邻近不合作”的困境[14]，这一矛盾现象表明，空间接近并非知识流动与创新合作的充分必要条件。此外，地理邻近性本身无法解释互动主体为何能有效吸收异质知识、如何降低合作风险[15]等核心问题，其本质是将“邻近性”简化为物理维度的距离变量，忽视了主体间社会关系、知识基础、制度环境等深层关联因素[16]。
1967年，瑞典地理学家T. Hägerstrand首次构建了创新扩散的数学模拟模型，其本质是嵌入地理与社会结构的空间过程，地理距离与社会互动共同决定扩散路径与速度[17]。但其未考虑到信息不对称、非理性决策、制度文化等因素，20世纪90年代后，M. S. Granovetter[18]提出“强关系、弱关系”概念，突破了“地理决定论”，证明社会邻近性（关系强度、网络联结）比地理邻近性更能解释信息与知识的流动效率，这就为“多维邻近性”提供了非地理维度的核心概念。
在此背景下，R. Boschma系统提出“多维邻近性”理论，批判了将邻近性等同于地理距离的简化论，也否定了技术万能主义的“距离消亡论”，转而主张合作的发生依赖于多重邻近条件的协同作用，且各维度既可能互补，也可能相互替代甚至产生冲突[4]。该框架整合了5个核心维度（表1）。
表1 R. Boschma五维邻近性模型及其定义

Table 1 R. Boschma’s five-dimensional proximity framework: dimensions and definitions

邻近性维度 核心定义
地理邻近性 经济主体间的空间或物理距离（含绝对距离与相对距离），体现空间上的接近程度
认知邻近性 主体共享知识基础、专业技能、技术范式或问题理解的相似程度，决定知识吸收能力
社会邻近性 基于友谊、亲属关系、过往经验形成的嵌入性社会关系，核心是信任与情感连接
制度邻近性 宏观层面共享的制度框架（含正式法律规则与非正式文化规范、价值观）的兼容程度
组织邻近性 组织间治理结构、控制程度与自主程度的接近性，体现协调与关系模式的适配性
R. Boschma的理论贡献不仅在于维度的拓展，更在于揭示了邻近性与创新之间复杂、非线性的作用机制。后续研究进一步揭示出如下结论：①邻近性是一把“双刃剑”。过度的邻近，尤其是认知与制度维度的过度相似，可能导致知识冗余与创新僵化；②各维度间存在互补、替代或冲突的复杂互动，例如紧密的社会网络可弥补地理距离，而僵化的组织控制可能抑制知识共享[3]；③“适度距离”成为关键，最优创新往往产生于既能理解彼此又保有差异的动态平衡中[15]，这一批判性视角将邻近性从静态的“条件”转变为需动态权衡的“机制”，为后续理论的动态化演进奠定了基础。

2.2.2 动态化与情景化拓展

由于现实中的合作网络与知识流动是持续演化的，为弥补上述静态视角的不足，2010年代后多维邻近性理论向动态演化与情境依赖深度拓展。针对早期研究将邻近性视为固定自变量的局限，P. A. Balland等[15]系统提出“动态邻近性”理论，该理论的核心观点是：各维度的邻近性并非一成不变的前置条件，而是在合作过程中与知识网络共同演化的内生变量。例如，持续的研发合作会增强彼此之间的信任，从而提升社会邻近性；而深度的知识交流与学习，既可能拉近与合作方的认知邻近性，也可能因各自探索新领域而拉开认知距离[19]。这种动态视角表明，最优的邻近性组合并非固定不变的均衡状态，而是在合作过程中不断被调整和再造的动态结果。这为情报学分析合作网络的演化路径、预测链接的巩固或断裂，提供了至关重要的动态理论基础。
与此同时，不同维度邻近性的作用并非放之四海而皆准，而是高度依赖于具体的情境，向希尧等[20]批判了脱离情境讨论“邻近性效应”的局限性，并创新性地引入“本地”与“非本地”两类情境因素，构建了一个整体分析框架。在本地情境下，地理、社会、制度等维度的邻近性往往紧密交织，共同促进隐性知识的循环；而在非本地情境（如全球研发网络、跨国技术联盟）下，认知与组织邻近性可能成为跨越地理与文化隔阂、维系合作的关键纽带。这一情景化转向要求研究者在应用多维邻近性理论时，必须明确界定分析对象所处的空间范围、行业特质与发展阶段，从而更精准地揭示特定情境下主导的邻近性机制及其交互影响。
动态化与情景化拓展标志着多维邻近性理论进入了更为成熟和精细的发展阶段。动态视角将理论重心从“结构决定论”转向“过程共创论”，而情景化视角则摒弃了“一刀切”的分析模式，强调理论应用的边界条件与权变机制。这两大发展为情报学研究，尤其是面向科研合作网络的演化预测、差异化创新政策的评估以及跨尺度知识流动的机制解析，提供了更为强大和灵活的理论透镜。

3 多维邻近性的测度思路/The methodological framework for measuring multidimensional proximity

3.1 单一维度邻近性的基础测度路径

单一维度的邻近性测度不仅是多维理论实证研究的基石，更是分析维度间复杂互动关系的起点。如表2所示，各维度的操作化方法已较为成熟，这些方法高度依赖于特定的数据源与学科工具，其选择直接决定了研究的粒度与效度。
表2 单一维度邻近性测度方法

Table 2 Measurement methods for unidimensional proximity

维度 测度元素 适用场景
地理邻近性 城市/机构间球面距离、交通时间距离 城市网络、区域经济一体化、创新网络、人员流动
技术邻近性 专利IPC共现、行业机构/业务差异 颠覆性创新、技术融合、创新合作网络
制度邻近性 是否属于同一省级行政区/城市群/组织机构、对外开放水平、全球治理指数平均数、政治制度/法律法规环境 政策协同、制度壁垒、跨区域技术创新
组织邻近性 是否位于同一省份、同一集团 企业合作、创新网络演化
认知邻近性 产业邻近指数、共同目标、职能重叠程度、专利/产业结构相似性、学历 合作模式、网络演化、技术创新合作
经济邻近性 实际GDP 跨区域创新合作、知识溢出
社会邻近性 技术转移强度、合作历史、共同合作者数量、人口流动 技术转移、知识扩散、人员流动
文化邻近性 方言、文化距离指数 创新合作网络、技术转移
其他 信息邻近性、产业邻近性、关系邻近性、贸易邻近性、政治倾向邻近性、知识邻近性、学科距离/制度邻近性、服务邻近性、环境邻近性、共同语言、殖民地关系
地理邻近性的测度最为直观，其目标是刻画物理空间上的可及性；认知邻近性常与技术邻近性存在交叉，其测度高度依赖文献计量、专利分析和文本挖掘等情报学方法，以此量化知识基础或技术轨道的重叠程度[21-22]；社会邻近性的测度通常从关系历史数据中提取，最常见的是利用合作网络数据[23-24]；制度邻近性与文化邻近性等“软维度”的测度更具创造性；文化邻近性则可采用更为细致的“方言一致性”“文化消费指数距离”等指标进行邻近度测量[22,25]。
值得指出的是，在对大量实证文献的梳理中笔者发现，不同研究对同一维度的操作化定义与测度方法存在一定差异。例如，产业结构相似性可能被用以测度“认知邻近性”“技术邻近性”或“经济邻近性”；“关系邻近性”“社会邻近性”与“组织邻近性”等概念在部分研究中内涵有所重叠。这种同一测度方法归属维度不同、同一维度名称下测度指标选取各异的现状，一方面反映了该研究领域议题的广泛与活跃，另一方面也提示了概念操作化过程需要更为精确和一致的学术对话基础。
这些基础测度方法提供了标准化的测量单元。它们不仅服务于对各维度独立效应的初步探查，更重要的是，为后续分析维度间的交互效应以及利用智能算法进行综合建模提供了不可或缺的、结构化的输入数据。换言之，对单一维度的精确量化，是开启理解多维邻近性复杂作用机制的钥匙。

3.2 多维邻近性的整合测度与交互分析

当研究问题从“单一维度有何影响”转向“多维邻近性如何共同作用”时，分析方法也需相应升级，以处理维度的整合、交互及由此产生的复杂非线性效应。如表3所示，一系列超越传统回归的先进方法被引入，以揭示邻近性如何共同作用的“黑箱”，这标志着该领域的实证研究更加成熟且精密。本部分聚焦于以下几种主流的高级分析方法，阐明其解决的核心问题和基本计算逻辑。
表3 多维邻近性的整合测度方法

Table 3 Composite measurement approaches for multidimensional proximity

方法类型 分析方法 关键创新
多变量整合分析 QAP/MRQAP回归、空间计量模型、负二项回归 解决了传统回归因关系数据“互依性”而失效的问题
组态分析 模糊集定性比较分析fsQCA 承认“殊途同归”，揭示不同邻近性维度如何以组合的方式（互补/替代）促进协同作用
复杂交互与非线性 门槛效应模型、倒U型关系检验 揭示了邻近性作用的条件性与非线性，避免简单线性推断
动态网络建模 时间指数随机图模型（TERGM）、随机行动者导向模型（SAOM） 分离内生结构效应与外生变量效应，严格检验各因素对网络动态形成的净影响
系统整合视角 本地/非本地网络对比分析、创新生态系统框架 揭示了邻近性作用的尺度敏感性，从“影响因素”跃升至“系统架构”

3.2.1 基于矩阵回归的净效应与交互效应检验：QAP与MRQAP

当因变量（如合作与否）和自变量（如地理距离、技术相似性）均以矩阵形式存在时，传统回归因数据行间不独立而失效。二次指派程序（quadratic assignment procedure，QAP）通过随机置换矩阵的行和列（保持数据结构）数千次，构建一个回归系数的经验分布，以此判断实际观测到的关系是否显著[26]。其核心在于，它检验的是两个矩阵间整体的、结构性的相关关系，而非独立观测值之间的关系，可有效避免模型的自相关和多重共线性问题[27]。
多元回归的二次指派程序（multiple regression quadratic assignment procedure，MRQAP）则将其扩展至多自变量场景，可用于在控制其他邻近性矩阵（如地理距离）后，估计某一特定邻近性矩阵（如社会邻近性）的“净”影响，或通过加入矩阵的乘积项来检验交互效应[28-29]。

3.2.2 针对计数型关系强度的建模：负二项回归

合作专利数、合著论文数等关系数据常呈现过度离散（方差远大于均值）的计数特征[30]。泊松回归在此情况下会产生偏误，而负二项回归通过引入一个反映个体异质性的随机项，解决了过度离散问题。其模型本质是探究各维度邻近性（自变量）如何影响合作发生频次（因变量）的期望值。

3.2.3 揭示多重并发因果的组态分析：fsQCA

传统的“净效应”分析假设变量间关系是线性的、可加的。模糊集定性比较分析（fuzzy-set qualitative comparative analysis，fsQCA）基于集合论和布尔代数，旨在发现导致特定结果（如高创新绩效）的充分或必要条件组合[31]。其核心逻辑是“多重并发因果”与“殊途同归”。在分析前，需将所有变量（包括各维度邻近性）校准为0到1之间的模糊集隶属分数。fsQCA算法通过比较案例（如城市对、企业对），找出能一致导致结果的变量组合（即“组态”）。

3.2.4 动态网络形成的内生机制分解：时间指数随机图模型

社会网络具有内生依赖性（如朋友的朋友易成为朋友）。时间指数随机图模型（temporal exponential random graph model，TERGM）将网络视为因变量，旨在同时估计网络结构内生效应（如互惠性、传递性）和外生变量效应（如多维邻近性）对网络链接形成的贡献[32]。其模型形式为：一个网络出现的概率是各项网络统计量的指数加权和。相较于ERGM模型，TERGM能够考察多个时期网络的动态变化，将时间因素考虑在内，从历史数据中提取有效信息，提升模型估计结果的准确度[33]。这使得研究者能严格区分合作网络的演化，即在多大程度上是由网络自组织规律驱动，又在多大程度上是由外部邻近性条件驱动[34]。

3.3 数据驱动与智能化的测度新方法

随着大数据与人工智能技术的深度融合，邻近性的测度正从“基于预设指标的验证”向“基于数据学习的发现”转变。利用先进的计算模型，从海量、多源、动态的数据中自动挖掘潜在的邻近性维度，学习复杂的邻近性组合规则，并实现对关系形成与演化的高阶建模与预测，是未来邻近性测度方法演进的重要方向。这将标志着邻近性测度从描述性、解释性分析，向预测性、生成性分析演进。为避免将智能化方法仅停留在技术罗列层面，有必要进一步明确不同方法与邻近性维度、数据对象及情报学任务之间的对应关系。表4从“方法类型—适用邻近性维度—典型数据对象—情报学应用任务”4个方面，对智能化测度路径进行归纳，以说明各类方法如何服务于多维邻近性的具体测度与分析。
表4 智能化方法与邻近性维度的对应关系

Table 4 Mapping of intelligent methods to proximity dimensions

智能方法 适用邻近性维度 数据对象 情报学任务
主题模型/BERTopic 认知邻近性、知识邻近性、技术邻近性 论文摘要、专利文本 研究主题识别、学科交叉分析
BERT/SciBERT/LLM嵌入 语义邻近性、制度邻近性 学术文本、政策文本 政策相似度、知识流动路径识别
Node2Vec/网络表示学习 社会邻近性、结构邻近性 合著网络、专利合作网络 潜在合作关系预测、学科结构识别、知识基础比较
GNN 多维邻近性交互关系 多层创新网络 网络演化预测、技术扩散预测
多模态融合模型 综合邻近性 文本、地理、网络、经济数据 区域创新生态监测、战略情报预警、政策模拟与决策支持
基于上述对应关系，以下分别从潜在维度发现、语义深度测度、动态网络建模和多源数据融合4个方面展开讨论。

3.3.1 基于无监督学习的潜在邻近性维度发现

传统测度依赖于理论预设的维度框架。无监督机器学习方法，特别是主题模型与网络表示学习，能够从数据本身出发，识别超越经典框架的、潜在的或情境化的关联结构[35]。例如，对海量专利或论文全文应用隐含狄利克雷分布模型，可以无监督地识别细粒度技术主题，不同主体在主题分布上的相似性构成了一种数据驱动的、动态的“语义邻近性”[36]。网络表示学习（如Node2Vec）将网络节点嵌入低维向量空间，其向量相似度综合反映了节点的多阶网络邻接与结构对等性，形成一种融合多种关联模式的“结构嵌入邻近性”，可用于链接预测，揭示未直接合作主体间的潜在关联[37-38]。
因此，无监督学习方法的价值不仅在于提高文本主题识别或网络嵌入的自动化水平，更在于能够从论文、专利和合作网络中发现潜在的认知、知识和结构邻近性，为后续识别隐性合作关系和跨领域知识联系提供数据基础。

3.3.2 自然语言处理赋能的语义与制度邻近性深度测度

对于认知与制度等依赖文本内容的“软维度”，自然语言处理技术实现了从符号匹配到语义理解的测度升级。利用领域预训练语言模型，可以将专利摘要、学术论文或政策文本转化为高维语义向量，并通过向量相似度计算不同主体、技术或政策文本之间的语义距离。由此，NLP方法能够将原本难以量化的文本语义、政策导向和制度环境转化为可比较的向量空间关系，更适用于认知邻近性、语义邻近性和制度邻近性的精细化测度[39-41]。

3.3.3 面向动态与高阶关系的图神经网络建模

传统的动态网络模型（如TERGM）在处理非线性时序依赖和复杂的高阶交互时仍存在局限。图神经网络及其动态变体能够直接对网络结构和节点属性进行端到端的学习，擅长捕捉网络形成的非线性机制、多跳依赖关系以及由多个主体共同参与形成的“超边”（如联合研发项目）所体现的高阶协同效应。相较于传统回归模型，GNN模型能够通过训练学习地理、技术、社会等邻近性之间的非线性交互关系，可用于分析合作链接形成、技术扩散和创新绩效变化，并实现对网络未来状态的预测。

3.3.4 融合多源异构数据的端到端预测框架

前述方法最终可集成于一个融合多源数据的智能预测框架中。此类框架通过多模态学习技术，整合地理空间、文本语义、网络拓扑、社会经济属性等多维特征，并利用注意力机制等组件，让模型自适应地学习在不同情境下各维度邻近性及其交互对合作强度、创新绩效等目标变量的差异化贡献模式[42-43]。因此，多源融合方法不仅能够提升邻近性测度的综合性与情境适应性，也可为区域创新生态监测、战略情报预警和政策模拟等综合性情报任务提供技术支撑。

4 多维邻近性理论在情报学中的应用/Applications of multidimensional proximity theory in the field of information science

多维邻近性理论为情报学分析各类知识、人才与创新主体间的复杂关系提供了系统性的解释框架和可操作的分析维度。其与情报学核心数据（论文、专利、人才履历、政策文本）及方法（社会网络分析、文献计量、文本挖掘）的深度融合，推动情报研究从现象描述走向机制解析与预测支持。

4.1 研究热点

为直观把握多维邻近性研究的主题结构，本文基于CNKI筛选后的418篇和WoS筛选后的166篇情报学相关文献，利用VOSviewer分别构建中文关键词共现网络和英文关键词共现网络。中文文献的关键词共现网络如图1所示，高频节点主要包括“创新网络”“社会网络分析”“合作创新网络”“知识流动”“产学研合作”“城市网络”等，表明国内研究更多围绕区域创新网络、城市群协同创新、产学研合作、知识流动及创新绩效展开，并较多依托长三角、京津冀、粤港澳大湾区等中国区域情境。
图1 基于CNKI情报学相关文献的多维邻近性研究关键词共现网络

Figure 1 Keyword co-occurrence network of multidimensional proximity research based on CNKI literature related to information science

英文文献的关键词共现网络如图2所示，关键词主要以“innovation” “proximity” “performance” “collaboration” “firms”“geographical proximity” “technological proximity” “spillovers” “social network analysis” “dynamics”等为核心，说明国际研究更关注企业与组织间创新合作、多维邻近性对创新绩效的影响、知识溢出与技术扩散、社会网络结构及网络演化机制。总体来看，中英文研究均将多维邻近性作为解释创新关系形成与知识流动的重要框架，但中文研究更强调区域创新实践与中国情境下的合作网络治理，英文研究则更突出理论机制检验、企业/组织间关系以及创新绩效解释。结合图谱结果与文献内容，本文将多维邻近性理论在情报学中的应用归纳为以下4类主题。
图2 基于WOS情报学相关文献的多维邻近性研究关键词共现网络

Figure 2 Keyword co-occurrence network of multidimensional proximity research based on WOS literature related to information science

4.2 研究主题

4.2.1 科研合作与创新合作网络的形成与绩效分析

科研合作是知识生产的核心组织形式[44]。多维邻近性理论被广泛用于揭示合作网络的结构形成机制与合作绩效的影响路径，超越了仅从作者数量、机构声望等属性视角进行解释的局限。在网络形成机制方面，情报学者利用论文合著或专利合作数据构建网络，并运用QAP回归、ERGM等方法检验各维度邻近性的作用。研究发现，地理邻近性的作用存在情境异质性：在强调隐性知识传递或实验设备共享的领域（如生命科学、材料科学）其作用显著，而在依赖编码化知识的领域（如理论物理、计算机科学）其影响减弱甚至为负[23]。社会邻近性（共同合作者、历史合作）通常是最稳健的预测因子，体现了科研合作中的信任积累与路径依赖[40]。认知邻近性（基于参考文献耦合或主题模型）则呈现经典的“倒U型”影响，表明适度的知识差异是激发创新思维的关键[45]。这些发现为科研管理机构优化跨机构、跨地域合作布局，平衡团队同质性与异质性提供了理论依据。

4.2.2 知识流动与扩散路径揭示

在科学知识扩散方面，基于论文引文网络的研究表明，知识溢出强度随地理距离衰减，但认知邻近性（引用文献主题相似性）能显著削弱地理距离的阻碍[11]。制度邻近性（如属于同一科研资助体系）也促进了知识的跨国界流动[46]。对专利引用和转移网络的分析进一步揭示了技术知识流动的规律。技术邻近性是影响技术转移概率的核心因素，但过高的技术相似性可能因缺乏互补性而降低转移价值，再次印证“适度距离”原则[47]。特别在绿色技术、人工智能等战略性领域，识别关键的技术—地理“知识桥”城市，对于优化国家创新布局至关重要。

4.2.3 科技人才流动与创新资源配置分析

人才流动的多维驱动机制是研究的核心。地理邻近性显著降低了流动的物理与心理成本，是城市群内部、省域内部人才高频流动的基础性因素。经济邻近性（常以人均GDP差异衡量）构成的区域发展势差是关键拉力，但其作用存在阈值，过大的差距可能因生活成本等问题产生抑制效应[48]。制度邻近性的作用备受关注，共享或衔接的户籍、社保、人才评定等制度安排能有效降低跨区域流动的制度性壁垒，制度势差已成为解释人才从制度环境较弱地区向较强地区流动的关键变量[27,49]。社会邻近性则为流动提供了关键的信息渠道和初始信任，引导形成链式迁移[27]。多维邻近性框架将人才流动从单一的经济决策模型，还原为一个在多维空间中进行复杂权衡的社会地理过程，为理解并预测人才空间配置规律提供了系统性的分析工具。

4.2.4 创新生态系统评估与政策启示

创新生态系统强调多元主体与创新环境的复杂互动。在生态系统结构诊断方面，研究常通过合作专利等关系数据构建网络，并用其结构特征反映系统状态。多维邻近性被用于解释这些结构的内在成因。例如，过高的地理集聚若与单一的产业（认知）结构相结合，可能导致“区域锁定”，形成连接紧密但知识同质化、创新僵化的网络，反而不利于生态系统的长期健康发展[50]。反之，一个具有韧性的生态系统往往表现为适度的地理分散与高效的制度邻近性和社会邻近性相结合，从而构建起开放、多元的分布式创新网络[51-52]。相关研究已将该框架应用于长三角、黄河流域等区域创新网络分析，用以识别不同邻近性维度对网络结构演化和创新绩效的影响。多维邻近性理论将创新生态系统解构为一组可观测、可调节的关系参数，使系统性的诊断与差异化的政策干预成为可能，为提升区域创新体系的整体效能提供了关键的理论指引。

5 研究总结与未来展望/Conclusion and reveals

5.1 主要研究结论与方法论启示

通过对多维邻近性测度方法的梳理与研究主题的计量分析，本文得出以下结论，并旨在为情报学研究提供方法论启示。
第一，测度方法已从单一静态指标向多维动态体系转型。早期研究多依赖地理距离等单一物理指标，难以全面解释复杂的创新合作行为。当前的测度实践已构建起涵盖地理、认知、制度、社会及组织等多维度的综合指标体系。更为重要的是，测度逻辑正从静态的截面数据分析，逐渐转向基于时间序列的动态演化监测；从传统的问卷与专利共现数据，拓展至融合多源异构大数据的智能化测度。这一转变表明，多维邻近性不再是一个抽象的理论概念，而是一套可操作、可量化、可预测的方法论工具。
第二，研究主题从“基础效应验证”向“交互机制解析”并重的双轨格局发展。现有研究不仅持续深化对各维度邻近性独立效应（如地理邻近的基础门槛作用）的验证，更聚焦于多维邻近性之间的复杂交互关系（如替代效应、互补效应及非线性阈值效应）。特别是关于“非地理邻近能否克服地理障碍”的争论，推动了研究视角的深刻变革：空间距离的约束力正在被认知与制度的连通性所重构。这为理解全球化和数字化背景下的创新网络结构提供了新的解释框架。
第三，多维邻近性视角下的情报分析从“描述统计”迈向“因果推断与智能预测”。首先，现有研究成功验证了非结构化文本数据挖掘在测度抽象概念（如认知、制度邻近）中的有效性。通过专利摘要、政策文本的语义分析替代传统问卷，证明了情报学特有的文本挖掘技术是解决社会科学“概念操作化”难题的关键路径。其次，文献中QAP、TERGM及fsQCA等模型的广泛应用，证实了处理“网络依赖性”和“组态效应”的必要性。这表明在创新网络研究中，传统的独立假设回归分析已不足以解释现实，必须转向能够容纳互动关系和多重并发因果的高级统计模型。最后，机器学习与图神经网络在邻近性测度中的初步尝试，展示了“数据驱动”范式对“理论驱动”范式的补充作用。它证明了利用算法自动发现潜在关联模式，能有效弥补传统理论假设的盲区，提升情报分析的预测精度。
多维邻近性理论已成为连接微观主体互动与宏观系统演进、理解并塑造创新动态的重要分析工具。期望通过本文的梳理工作能促进该理论在情报学界的更深入理解与应用，推动其从一种有力的解释框架，向服务于国家科技战略布局与创新体系韧性建设的智能化决策支持系统演进。

5.2 研究局限与未来展望

5.2.1 现有研究的局限性反思

尽管多维邻近性研究已取得丰硕成果，但审视现有文献，仍存在亟待突破的瓶颈与局限。正视这些不足，是推动该领域向纵深发展的关键。
（1）测度指标的“黑箱”与主观性问题。尽管维度日益丰富，但部分非地理维度（如认知邻近、制度邻近）的测度仍高度依赖代理变量（如专利分类号重合度、人员流动率）。这种间接测度往往掩盖了主体间真实的心理距离与制度摩擦，存在一定的测量误差。此外，权重的确定多依赖专家打分或熵值法，缺乏统一的标准，导致不同研究间的结果难以横向比较。
（2）动态演化视角不足。多数研究仍基于静态截面数据，将邻近性视为一种恒定状态。然而，在创新合作过程中，邻近性是动态演化的（例如合作本身会缩短认知距离）。现有研究较少捕捉到这种“邻近性随互动而改变”的内生性反馈机制，难以揭示创新网络演化的深层动力。
（3）情景实用性与边界模糊。现有结论多基于发达经济体或特定高科技产业，对于发展中国家、传统产业或突发危机情境下的邻近性机制探讨不足。在不同情境下，各维度邻近性的相对重要性可能发生根本性逆转，而现有理论对此解释力有限。

5.2.2 未来应用展望

多维邻近性理论与情报学的结合尚处于快速发展的深化期，其未来演进轨迹可从数据、方法、理论与应用4个相互关联的层面进行展望，这些方向共同指向一个更精细、更智能、更具解释力和预见性的分析范式。
在数据层面，测度基础可能将转向连续的过程流。现有研究主要依赖专利、论文等成果型数据构建静态网络。未来，整合反映创新与知识生产全过程的非传统数据源将成为重要方向。例如，利用开放科学框架下的实验日志、代码仓库提交历史、学术社交平台中的同行评议与预印本讨论数据。这类数据有望更及时地揭示认知共识的形成、合作信任的建立等动态过程，从而实现对“认知邻近性”与“社会邻近性”等维度的更细腻、更时序化的刻画。同时，多源数据的融合（如地理信息、企业财报、政策文本与科学数据的关联）将支持构建更立体的主体画像，使邻近性分析能够置于更丰富的社会经济情境之中。
在方法层面，分析方法或将由以解释为主的统计模型，迈向融合机器学习的预测与生成模型。尽管ERGM、QAP等模型很好地服务于归因分析，但面对高维、非线性的相互作用，图神经网络（graph neural networks，GNNs）、大语言模型（large language models，LLMs）等技术显示出处理复杂关系模式的潜力。GNNs学习网络中节点与关系的深层表示，可以更有效地捕捉多维邻近性之间高阶、非线性的交互效应，用于预测潜在的合作链接或技术演化路径；LLMs在深度理解科学文本语义方面的能力，则为直接从学术文献、项目报告中量化“认知距离”或“制度语境”提供了新的自动化工具，有望显著提升相关维度测度的效率与广度。这些计算实验方法的发展，可以使多维邻近性分析不仅用于解释过去，更能生成关于未来创新网络结构或知识扩散趋势的模拟场景。
在理论层面，其内涵有望在与新兴前沿的对话中进一步拓展与精炼。当前理论框架在应对数字时代的新现象时面临挑战，这催生了如“数字邻近性”等新概念的提出。未来的理论发展可能涉及两个方向。一是维度精炼，即对现有维度（如“制度邻近性”）进行更细致的解构，区分其正式与非正式、显性与隐性等不同层面。二是范式交叉，例如与复杂系统科学结合，研究多维邻近性如何影响创新生态系统的鲁棒性与适应性；或与可持续发展目标关联，探讨“环境邻近性”或“伦理邻近性”对负责任创新的影响。这种交叉将推动该理论从解释经济地理和创新现象，转向更广泛的社会技术系统分析。
在应用层面，其角色可能从后验的解释性分析，演进为嵌入决策循环的预见性情报支持组件。基于上述数据与方法演进，多维邻近性分析有望支撑起一系列新型情报产品。例如，构建动态的“区域创新生态健康度仪表盘”，实时监测不同维度邻近性的协调状态，预警因过度邻近导致的锁定风险或因邻近性缺失产生的合作鸿沟。更进一步，通过结合基于主体的建模（agent-based modeling，ABM），可以构建政策实验室，模拟评估人才引进政策、区域协同规划等干预措施如何通过改变特定的邻近性配置，进而影响创新网络的长期演化，为战略制定提供前瞻性的循证依据。
最终，这些能力可能促成一种新型的战略情报模式，使多维邻近性框架成为连接微观主体行为与宏观系统演进、理解并塑造创新动态的核心分析工具之一。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡文静, 梅红, 刘瑞佳. 科技创新韧性视角下跨学科合作意愿动态演化分析[J]. 图书与情报, 2025(4): 121-132, 145.

Hu Wenjing, Mei Hong, Liu Ruijia. Dynamic evolution analysis of interdisciplinary researchers’ collaborative willingness from the perspective of resilience in the science and technology innovation[J]. Library & information, 2025(4): 121-132, 145.

[2]
Errico F, Corallo A, Spennato A, et al. Spatial proximity versus social distance: partnership development in the cross-border cooperation[J]. Journal of the knowledge economy, 2024, 15(1): 461-486.

[3]
Huber F. On the role and interrelationship of spatial, social and cognitive proximity: Personal knowledge relationships of R&D workers in the cambridge information technology cluster[J]. Regional studies, 2011, 46(9): 1169–1182.

[4]
Boschma R. Proximity and innovation: a critical assessment[J]. Regional studies, 2005, 39(1): 61-74.

[5]
刘微微, 金英哲, 毕克新. 多维邻近性、创新开放度与合作创新绩效——基于网络演化视角[J]. 科研管理, 2023, 44(8): 162-172.

Liu Weiwei, Jin Yingzhe, Bi Kexin. Multidimensional proximity, innovation openness and cooperative innovation performance: a study from the perspective of network evolution[J]. Science research management, 2023, 44(8): 162-172.

[6]
贺超城, 吴江, 魏子瑶, 等. 科研合作中机构间科研主导力及邻近性机理——以中国生物医学领域为例[J]. 情报学报, 2020, 39(2): 148-157.

He Chaoyue, Wu Jiang, Wei Ziyao, et al. Research dominance between institutions and its proximity mechanism in research collaboration: a case study of China's biomedical field[J]. Journal of the China Society for Scientific and Technical Information, 2020, 39(2): 148-157.

[7]
王仪雯, 谭春辉, 罗啸飞, 等. 多维邻近性对人文社科领域跨学科知识流动的影响分析[J/OL]. 情报科学, 2025.

Wang Yiwei, Tan Chunhui, Luo Xiaofei, et al. Analysis of the influence of multi-dimensional proximity on interdisciplinary knowledge flow in the field of humanities and social sciences[J/OL]. Information science, 2025.

[8]
韦伯. 工业区位论: 汉译世界学术名著丛书[M]. 李刚剑, 陈志人, 张英保, 等, 译. 商务印书馆, 2010.

WEBER A. Theory of the location of industries[M]. Gangjian, Chen Zhiren, Zhang Yingbao, et al, trans. Beijing: The Commercial Press, 2010.

[9]
Torre A, Rallet A. Proximity and localization[J]. Regional studies, 2005, 39(1), 47–59.

[10]
Marshall A. Principles of economics: an introductory volume[M]. London: Macmillan, 1961: 58-60.

[11]
Henderson R, Jaffe A, Trajtenberg M. Geographic localization of knowledge spillovers as evidenced by patent citations[J]. The quarterly journal of economics, 1993, 108: 577-598.

[12]
Desrochers P. Geographical proximity and the transmission of tacit knowledge[J]. The review of Austrian economics, 2001, 14(1): 25-46.

[13]
宋周莺, 刘卫东. 信息时代的企业区位研究[J]. 地理学报, 2012, 67(4): 479-489.

Song Zhouying, Liu Weidong. The challenge of wide application of new information and communication technologies to traditional location theory[J]. Acta geographica Sinica, 2012, 67(4): 479-489.

[14]
陈红军, 谢富纪. 京津冀产学协同创新绩效影响因素分析——基于多维邻近性视角[J]. 技术经济, 2021, 40(10): 108-118.

Chen Hongjun, Xie Fuji. Analysis of influencing factors of industry‐university collaborative innovation performance in Beijing‐Tianjin‐Hebei Region: based on the perspective of multi-dimensional proximity[J]. Technology economics, 2021, 40(10): 108-118.

[15]
Balland P A, Boschma R, Frenken K. Proximity and innovation: from statics to dynamics[J]. Regional studies, 2015, 49(6): 907-920.

[16]
杨博旭, 王玉荣, 李兴光. 多维邻近与合作创新[J]. 科学学研究, 2019, 37(1): 154-164.

Yang Boxu, Wang Yurong, Li Xingguang. The impact of multidimensional proximity on cooperative innovation[J]. Studies in science of science, 2019, 37(1): 154-164.

[17]
Hagerstrand T, Hägerstrand T. Innovation diffusion as a spatial process[M]. Haag G, trans. Chicago: University of Chicago Press, 1967: 1-5.

[18]
Granovetter M S. The strength of weak ties[J]. American journal of sociology, 1973, 78(6): 1360-1380.

[19]
Lauvås T, Steinmo M. The role of proximity dimensions and mutual commitment in shaping the performance of university-industry research centres[J]. Innovation, 2019, 23: 1-27.

[20]
向希尧, 裴云龙. 基于情境的多维接近性与知识流动[J]. 管理学报, 2017, 14(4): 554-560.

Xiang Xiyao, Pei Yunlong. Multi-dimensional proximity and knowledge flows: a context-basedtheoreticalframe[J]. Chinese journal of management, 2017, 14(4): 554-560.

[21]
党兴华, 弓志刚. 多维邻近性对跨区域技术创新合作的影响——基于中国共同专利数据的实证分析[J]. 科学学研究, 2013, 31(10): 1590-1600.

Dang Xinghua, Gong Zhigang. Impact of multidimensional proximities on cross region technology innovation cooperation: experical analysis based on Chinese coinvent patent data[J]. Studies in science of science, 2013, 31(10): 1590-1600.

[22]
张俊, 姜海宁. 合成型产业全球创新网络演化与邻近性机理——以节能环保产业为例[J]. 地理研究, 2024, 43(2): 357-376.

Zhang Jun, Jiang Haining. Evolution of global innovation network and its proximity mechanism in synthetic industry: a case study of energy conservation and environmental protection industry[J]. Geographical research, 2024, 43(2): 357-376.

[23]
贺正楚, 周星宇, 任宇新. 多维邻近性对创新网络形成的影响——以半导体产业专利为例[J]. 湖南师范大学自然科学学报, 2025, 48(1): 76-84.

He Zhengchu, Zhou Xingyu, Ren Yuxin. The impact of multidimensional proximity on the formation of innovation networks: a case study of semiconductor industry patents[J]. Journal of natural science of Hunan Normal University, 2025, 48(1): 76-84.

[24]
彭重善. 光伏突破性发明国际合作网络的演变特征及影响因素研究[D]. 桂林: 桂林电子科技大学, 2026.

Peng Chongshan. Study on the evolutionary characteristics and influence. factors of international collaboration networks for photovoltaic breakthrough invention [D]. Guilin: Guilin University of Electronic Technology, 2026.

[25]
胡述聚, 苗长虹. 企业投资联系视角下黄河流域城市网络的结构演化与驱动因素研究[J]. 地理研究, 2024, 43(6): 1370-1387.

Hu Shuju, Miao Changhong. The structure evolution and driving factors of urban network in the Yellow River Basin: a perspective from enterprise investment[J]. Geographical research, 2024, 43(6): 1370-1387.

[26]
Krackhardt D. Predicting with networks: nonparametric multiple regression analysis of dyadic data[J]. Social networks, 1988, 10(4): 359-381.

[27]
黄永春, 徐小莲, 邹晨, 等. 多维邻近性视角下长三角人才一体化的驱动机制[J]. 华东经济管理, 2025, 39(12): 23-33.

Huang Yongchun, Xu Xiaolian, Zou Chen, et al. Driving mechanism of talent integration in Yangtze River Delta under the perspective of multidimensional proximity[J]. East China economic management, 2025, 39(12): 23-33.

[28]
王玉珊, 刘道强, 王光辉, 等. 长三角城市群知识创新网络结构韧性时空分异与驱动因素分析[J]. 地球信息科学学报, 2024, 26(4): 1093-1109.

Wang Yushan, Liu Daoqiang, Wang Guanghui, et al. Analysis of spatiotemporal differentiation and driving factors of knowledge innovation network structure resilience in the Yangtze River Delta Urban Agglomeration[J]. Journal of geo-information science, 2024, 26(4): 1093-1109.

[29]
Dekker D, Krackhardt D, Snijders T. Sensitivity of MRQAP tests to collinearity and autocorrelation conditions[J]. Psychometrika, 2007, 72: 563-581.

[30]
桂钦昌, 杜德斌, 刘承良. 全球科研合作网络的动态演化及其驱动机制[J]. 地理学报, 2023, 78(2): 423-442.

Gui Qinchang, Du Debin, Liu Chengliang. The network dynamics and driving mechanisms of global scientific cooperation[J]. Acta geographica Sinica, 2023, 78(2): 423-442.

[31]
Pappas I O, Woodside A G. Fuzzy-set qualitative comparative analysis (fsQCA): guidelines for research practice in information systems and marketing[J]. International journal of information management, 2021, 58: 102310.

[32]
周梦雯. 中国城市协同创新网络的空间结构演化机制及经济效应研究[D]. 北京: 对外经济贸易大学, 2026.

Zhou Mengwen. Research on the spatial structure evolution mechanism and economic effects of China's urban collaborative innovation network[D]. Beijing: University of International Business and Economics, 2026.

[33]
Leifeld P, Cranmer S J, Desmarais B A. Temporal exponential random graph models with btergm: estimation and bootstrap confidence intervals[J]. Journal of statistical software, 2018, 83: 1-36.

[34]
高思齐, 赵媛, 郝丽莎, 等. 基于tergm的“一带一路”国家石油资源流动演化机理研究[J]. 地理研究, 2024, 43(5): 1051-1072.

Gao Siqi, Zhao Yuan, Hao Lisha, et al. Research on the evolution mechanism of oil resource flow along the Belt and Road based on TERGM[J]. Geographical research, 2024, 43(5): 1051-1072.

[35]
Wang Z, Qiu T, Chen G. An improved network embedding method with multi-level closeness on link prediction[J]. Chinese journal of physics, 2025, 95: 248-259.

[36]
吕挺, 梁郁庆, 姜少飞, 等. 基于专利文本的产品隐性技术特征识别与排序[J]. 计算机集成制造系统, 2025, 31(7): 2339-2350.

Ting Lü, Liang Yuqing, Jiang Shaofei, et al. Product implicit technical characteristics identification and ranking based on patent text[J]. Computer integrated manufacturing systems, 2025, 31(7): 2339-2350.

[37]
Grover A, Leskovec J. node2vec: scalable feature learning for networks[PP/OL]. arXiv(2016-07-03)[2026-01-27].

[38]
王晓宇. 多维邻近性对信息资源管理学科研究机构间合作论文产出的影响[D].武汉: 华中师范大学, 2025.

Wang Xiaoyu. The impact of multidimensional proximity on cooperative paper output among research institutions in the field of information resource management[D]. Wuhan: Central China Normal University, 2025.

[39]
覃成林, 樊双涛. 粤港澳大湾区多极网络空间组织演化特征与机制分析[J]. 经济与管理评论, 2024, 40(6): 5-17.

Qin Chenglin, Fan Shuangtao. Analysis of evolutionary characteristics and mechanisms of multi-polar cyberspace organization in Guangdong, Hong Kong and Macao Greater Bay Area[J]. Review of economy and management, 2024, 40(6): 5-17.

[40]
Beltagy I, Lo K, Cohan A. SciBERT: a pretrained language model for scientific text[PP/OL]. arXiv (2019-09-10)[2026-01-27]

[41]
Ijebu F F, Liu Y, Sun C, et al. Soft cosine and extended cosine adaptation for pre-trained language model semantic vector analysis[J]. Applied soft computing, 2025, 169: 112551.

[42]
程丹亚. 本地—跨地域视角下长三角新能源汽车产业创新网络研究[D]. 上海: 华东师范大学, 2025.

Cheng Danya. Research on innovation network of new energy vehicle industry in Yangtze River Delta under local-transregional perspective[D]. Shanghai: East China Normal University, 2025.

[43]
Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[PP/OL]. arXiv(2023-08-02)[2026-01-27].

[44]
Heffner A G. Funded research, multiple authorship, and subauthorship collaboration in four disciplines[J]. Scientometrics, 1981, 3(1): 5-12.

[45]
余全明, 屠启宇. 多维邻近性对创新溢出的影响——基于生命周期的视角[J]. 上海经济, 2024(5): 1-18.

Yu Quanming, Tu Qiyu. The impact of multidimensional proximity on innovation spillover: a life cycle perspective[J]. Shanghai economy, 2024(5): 1-18.

[46]
高珊珊, 宋周莺. 全球贸易摩擦的时空格局演化及其驱动因素[J]. 地理研究, 2025, 44(12): 3392-3412.

Gao Shanshan, Song Zhouying. Evolution of global trade frictions and its key driving factors[J]. Geographical research, 2025, 44(12): 3392-3412.

[47]
戴靓, 丁子军, 马海涛, 等. 粤港澳大湾区技术转移的空间关联与内生动力[J]. 地理学报, 2024, 79(6): 1503-1520.

Dai Liang, Ding Zijun, Ma Haitao, et al. Spatial linkages and endogenous mechanisms of technology transfer in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta geographica Sinica, 2024, 79(6): 1503-1520.

[48]
李思嘉. 多维邻近性对城市间人口流动影响研究——基于全国统一大市场建立的视角[J]. 当代经济, 2025, 42(12): 92-101.

Li Sijia. Research on the impact of multidimensional proximity on intercity population flows: a perspective from the establishment of a national unified market[J]. Contemporary economy, 2025, 42(12): 92-101.

[49]
薛莉. 邻近共同体: 推进教育科技人才一体化发展的改革场景与实践逻辑[J]. 南京社会科学, 2025(8): 24-33, 56.

Xue Li. Neighboring community: reform scenarios and practical logic for promoting the integrated development of education, science & technology, and talents[J]. Nanjing journal of social sciences, 2025(8): 24-33, 56.

[50]
廖斌, 侯新烁, 韩雷. 中国区域协同减排网络演变特征及多维邻近性成因分析[J]. 地理与地理信息科学, 2026,42(1):43-50.

Liao Bin, Hou Xinshuo, Han Lei. Evolution characteristics and multidimensional proximity-driven mechanisms of regional synergistic emission reduction networks in China[J]. Geography and geo-information science, 2026, 42(1): 43-50.

[51]
张江龙, 郑丽娜, 韩钰. 教育科技人才一体化下校企协同机理再审视[J]. 高等工程教育研究, 2025(1): 104-110.

Zhang Jianglong, Zheng Lina, Han Yu. Reimaging of university-industry collaboration mechanism from the perspective of education, sci-tech and talent integration[J]. Research in higher education of engineering, 2025(1): 104-110.

[52]
李迎成, 孙康, 马海涛. 中国城市创新网络研究述评与展望[J]. 经济地理, 2024, 44(9): 67-78.

Li Yingcheng, Sun Kang, Ma Haitao. Review and prospects of research on Chinese urban innovation network[J]. Economic geography, 2024, 44(9): 67-78.

Options
文章导航

/

〈 〉